摘要：提出一種融合框架和方法，用于解決復雜裝備全生命周期數(shù)據(jù)的多源異構(gòu)性帶來的數(shù)據(jù)冗余、不一致和索引困難問題。該框架包括自上而下的數(shù)據(jù)模式融合、自下而上的數(shù)據(jù)實體模式生成和動態(tài)融合全生命周期數(shù)據(jù)層3個步驟。通過建立頂層數(shù)據(jù)模式、生成數(shù)據(jù)實體模式并配置主碼轉(zhuǎn)換規(guī)則和數(shù)據(jù)對象屬性補全規(guī)則，實現(xiàn)全生命周期數(shù)據(jù)層的動態(tài)融合。經(jīng)工程實踐驗證，該方法能夠有效處理復雜裝備全生命周期數(shù)據(jù)的多源異構(gòu)性，優(yōu)化數(shù)據(jù)融合過程。

關鍵詞：復雜裝備；全生命周期；融合框架；模式融合；數(shù)據(jù)融合

中圖分類號：TP391文獻標志碼：A文章編號：1671-5276（2024）06-0107-06

Abstract：A fusion framework and method are proposed in this study to address the challenges of data redundancy， inconsistency， and indexing difficulties caused by the heterogeneity of multi-source data in the entire lifecycle of complex equipment. The framework includes three steps： top-down data schema fusion， bottom-up data entity schema generation， and dynamic fusion of the entire lifecycle data layer. With the establishment of a top-level data schema， generating data entity schemas and configuring rules for primary key transformation and data object attribute completion， the dynamic fusion of the entire lifecycle data layer is achieved. Engineering practices prove that the proposed method is effective in handling the heterogeneity of multi-source data in the entire lifecycle of complex equipment and optimizing the data fusion process.

Keywords：complex equipment; full life cycle; fusion framework; pattern fusion; data fusion

0引言

復雜裝備是指在重要工業(yè)、交通、能源、通信等領域應用的具有復雜結(jié)構(gòu)、高度自動化和智能化的裝備，例如高速列車、盾構(gòu)機、核電裝備等。這類裝備的特點包括：1）包含大量組件和子系統(tǒng)，需要高度集成；2）結(jié)構(gòu)設計和制造要求復雜；3）研發(fā)、制造和維護周期長。

復雜裝備涉及眾多物理信息系統(tǒng)，導致多維異構(gòu)信息難以在系統(tǒng)層面上得到統(tǒng)一表達［1］，全生命周期數(shù)據(jù)關聯(lián)映射和閉環(huán)反饋是復雜裝備數(shù)字孿生的基石［2-3］。目前，裝備數(shù)據(jù)融合的研究主要集中在多源異構(gòu)感知數(shù)據(jù)融合［4-5］方法上，包括基于機器學習［6-7］、深度學習［8-9］的方法等。這些成果為關鍵零部件數(shù)字孿生研究奠定了基礎，但缺乏對復雜裝備結(jié)構(gòu)間關聯(lián)和履歷數(shù)據(jù)關聯(lián)的分析。

在全生命周期數(shù)據(jù)融合研究方面，基于本體的數(shù)據(jù)集成方法［10-12］和知識圖譜的數(shù)據(jù)集成框架［13］已被提出并應用于復雜裝備領域。這些方法通過描述全局模式和利用本體知識庫來高效地訪問多個數(shù)據(jù)源中的數(shù)據(jù)。但這些方法缺乏對復雜裝備的骨架結(jié)構(gòu)特征和基于產(chǎn)品族配置特征的充分融入。

因此，本文針對復雜裝備全生命周期數(shù)據(jù)的產(chǎn)品結(jié)構(gòu)歸屬和基于產(chǎn)品族配置設計制造特征，提出復雜裝備全生命周期數(shù)據(jù)集成框架，設計了既有多源異構(gòu)數(shù)據(jù)計算的數(shù)據(jù)實體模式又參照模式自動構(gòu)建算法，從而實現(xiàn)復雜裝備全生命周期數(shù)據(jù)的一致性融合。

1復雜裝備全生命周期數(shù)據(jù)模式融合框架

1.1基于BOM的數(shù)據(jù)關聯(lián)映射方法

1）定義BOM：描述產(chǎn)品組成關系的數(shù)據(jù)結(jié)構(gòu)，通常使用四元組BOM=（P，C，R，Q）表示。其中：P表示產(chǎn)品族或產(chǎn)品；C表示組件或零部件，是產(chǎn)品或產(chǎn)品族子部分，可包含更低層級的子組件或零部件；R表示組件之間的關聯(lián)關系；Q表示組件間的數(shù)量關系。

基于BOM的復雜裝備全生命周期數(shù)據(jù)關聯(lián)映射方法：a）定義BOM節(jié)點；b）定義BOM節(jié)點間關聯(lián)關系；c）定義BOM節(jié)點與實體、各實體間的關聯(lián)關系。

由于數(shù)據(jù)的完整性和一致性對復雜裝備數(shù)字孿生具有重要的意義，因此采用關系模型，通過參照完整性來建立實體間的關聯(lián)約束。

2）定義參照完整性約束：設Dx和Dy代表兩類不同對象的數(shù)據(jù)實體，其間可建立參照完整性約束：

式中：f（Dx，Dy）表示Dx和Dy間的關聯(lián)映射函數(shù)；Dx×Dy表示Dx和Dy兩個數(shù)據(jù)集做笛卡兒積運算；σDx.A=Dy.A′表示在Dx數(shù)據(jù)模式的A屬性和Dy數(shù)據(jù)模式的A′屬性值相等下的條件選擇運算。在上述映射關系中，Dx稱為參照數(shù)據(jù)關系實體，Dx.A為Dx的參照屬性；Dy稱為被參照關系實體，Dy.A′為Dy的主屬性集。

1.2全生命周期數(shù)據(jù)模式融合框架及實施路徑

1）基于GBOM的知識數(shù)據(jù)模式框架構(gòu)建

基于產(chǎn)品族的設計制造是一種在多個產(chǎn)品間共享設計和制造資源、知識和經(jīng)驗的方法，這種方法可以實現(xiàn)產(chǎn)品間的設計和制造的共享及重用，如圖1所示。通過建立GBOM節(jié)點間參照、GBOM和專業(yè)族庫、設計規(guī)則、維護方法、數(shù)據(jù)驅(qū)動的分析處理模型等可重用的知識類實體間的參照完整性映射，實現(xiàn)產(chǎn)品族知識模型和數(shù)據(jù)的關聯(lián)和一致性約束。

2）基于EBOM的設計數(shù)據(jù)模式框架構(gòu)建

設計階段數(shù)據(jù)模式融合框架如圖2所示。在基于產(chǎn)品族的配置設計過程中，EBOM通常是基于GBOM節(jié)點選配實例化自動生成，設計模型和設計參數(shù)是在配置設計過程中通過族模型和參數(shù)實例化生成，因此要先建立EBOM與GBOM節(jié)點、模型及參數(shù)間參照完整性約束，其次建立EBOM節(jié)點與設計階段零部件模型、二維圖冊、仿真分析、強度分析等數(shù)據(jù)的映射。

3）基于MBOM的制造數(shù)據(jù)模式框架構(gòu)建

制造階段數(shù)據(jù)模式融合框架如圖3所示。對于EBOM中的自制件需要設計產(chǎn)品工藝和工序，每個自制件按工藝排程生產(chǎn)后會按數(shù)量形成多個零部件，基于此可構(gòu)建EBOM節(jié)點與MBOM節(jié)點、工藝和生產(chǎn)任務之間的完整性約束；其次制造階段的生產(chǎn)任務、任務排程、生產(chǎn)報工、質(zhì)檢等數(shù)據(jù)與EBOM節(jié)點的每個零部件相關，從而將制造和設計階段的數(shù)據(jù)關聯(lián)。

4）基于OBOM的運維數(shù)據(jù)模式框架構(gòu)建

OBOM是針對運維階段需求，在MBOM的基礎上，結(jié)合某些外購件運維需求而構(gòu)建的，因此OBOM節(jié)點基于MBOM或EBOM實例化生成?；贠BOM的運維數(shù)據(jù)模式融合框架如圖4所示。建立OBOM節(jié)點與運維階段裝機檔案、運維記錄、感知數(shù)據(jù)、故障報警、維修環(huán)境等數(shù)據(jù)間的關聯(lián)映射。

2基于數(shù)據(jù)計算的實體數(shù)據(jù)模式補全

2.1多源異構(gòu)數(shù)據(jù)冗余屬性識別與約簡方法

不同源系統(tǒng)對同一類數(shù)據(jù)的同一特征，其屬性命名存在差異，按屬性數(shù)據(jù)類型分類設計算法如下。

1）標稱屬性約簡

設屬性A和屬性B是來自不同系統(tǒng)Dx1和Dx2的兩個屬性，屬性A有c個值，A（a1，a2，…， ac），屬性B有r個值，B（b1，b2，…，br），則屬性A和屬性B是否描述同一特征做如下計算：

式中：x2為卡方檢測值；oij為觀測頻度；eij為期望頻度。

式中：count（A=ai）表示取ai值的數(shù)據(jù)樣本個數(shù)；count（B=bj）為取值為bj的樣本個數(shù)；n為數(shù)據(jù)樣本總數(shù)。對計算出的x2通過卡方表對比，如果相關，則比較屬性A和屬性B的數(shù)據(jù)類型定義長度，保留數(shù)據(jù)類型定義長度大的屬性，另一個屬性標記為冗余。

2）數(shù)值屬性約簡

設屬性A和屬性B是來自不同系統(tǒng)兩個屬性，通過計算協(xié)方差來衡量屬性A和屬性B的相關度，即

式中：ai∈（a1，a2，…，an）為屬性A的n個樣本的值；bi∈（b1，b2，…，bn）為屬性B的n個樣本的值；A-和B-分別為屬性A和屬性B的均值。

由協(xié)方差進一步計算屬性A和屬性B的相關系數(shù)：

計算結(jié)果rA，B與設定的閾值比對，若超過閾值，則比較屬性A和屬性B的數(shù)據(jù)類型定義長度，保留數(shù)據(jù)類型定義長度大的屬性，另一個屬性標記為冗余。

2.2基于多源異構(gòu)數(shù)據(jù)計算的數(shù)據(jù)實體屬性自動補全

對集成框架中的每一個實體，應用數(shù)據(jù)采集中間件配置其多源異構(gòu)數(shù)據(jù)源，提取數(shù)據(jù)源中數(shù)據(jù)的屬性和數(shù)據(jù)值，按2.1節(jié)算法進行冗余屬性的約簡，用約簡后的屬性集更新數(shù)據(jù)實體模式，實現(xiàn)實體屬性的自動補全。如圖5所示，虛線代表右側(cè)數(shù)據(jù)實體和左側(cè)數(shù)據(jù)源之間的配置，實線代表通過計算的融合屬性集更新實體數(shù)據(jù)結(jié)構(gòu)，中間部分表示屬性計算融合過程。

3多源異構(gòu)數(shù)據(jù)采集及融合存儲

在對數(shù)據(jù)屬性進行約簡和補全之后，就需要將多源異構(gòu)數(shù)據(jù)進行收集和融合，再將對齊后的數(shù)據(jù)和屬性存儲入庫。該過程如圖6所示，在圖5的基礎上，基于數(shù)據(jù)集成中間件進一步配置各實體主碼的編碼規(guī)則，設置源主碼與目標實體主碼轉(zhuǎn)換規(guī)則，然后配置源數(shù)據(jù)提取、主碼轉(zhuǎn)換和數(shù)據(jù)屬性對齊方法；同時將具有參照關聯(lián)的實體在同一作業(yè)中進行編排，以解決實體間存在參照完整性約束的問題。在數(shù)據(jù)集成中間件中設置任務執(zhí)行策略，可定期將多源異構(gòu)數(shù)據(jù)采集、轉(zhuǎn)換并存儲到具有統(tǒng)一模式的數(shù)據(jù)倉庫中，為后續(xù)復雜裝備數(shù)字孿生提供數(shù)據(jù)支撐。

4實驗驗證與分析

以某高速列車產(chǎn)品數(shù)據(jù)為例，從全生命周期數(shù)據(jù)融合框架構(gòu)建、基于多源異構(gòu)數(shù)據(jù)解析計算的數(shù)據(jù)實體屬性自動補全和基于BOM的全生命周期數(shù)據(jù)索引3個方面進行案例分析以驗證方法的有效性。

1）全生命周期數(shù)據(jù)融合框架構(gòu)建

采用1.2節(jié)介紹的全生命周期數(shù)據(jù)融合框架構(gòu)建方法來構(gòu)建數(shù)據(jù)實體及參照模式的頂層框架。本實驗采用PowerDesigner16.5作為框架建模工具，按照圖1—圖4構(gòu)建全生命周期數(shù)據(jù)模式，結(jié)果如圖7所示。

利用PowerDesigner導出工具將框架模型導出為如圖8所示的數(shù)據(jù)庫SQL文件，并在數(shù)據(jù)庫管理系統(tǒng)中執(zhí)行生成如圖9所示的實體骨架結(jié)構(gòu)和參照約束。以圖中展開的GBOM節(jié)點為例，其僅包含主碼和外碼兩個屬性。

2）基于數(shù)據(jù)計算的數(shù)據(jù)實體屬性自動補全

對圖7中的數(shù)據(jù)實體按照2.2節(jié)的方法配置要融合的數(shù)據(jù)源。本實驗采用Kettle數(shù)據(jù)集成中間件，配置完成后一次性執(zhí)行；采集各數(shù)據(jù)源數(shù)據(jù)，解析數(shù)據(jù)屬性的數(shù)據(jù)類型，調(diào)用算法1，生成數(shù)據(jù)模式更新的SQL語句，用融合計算的屬性集更新實體數(shù)據(jù)模式，從而實現(xiàn)補全。

以GBOM為例，對基于多源異構(gòu)數(shù)據(jù)解析計算的數(shù)據(jù)實體屬性自動補全進行案例分析，所用數(shù)據(jù)來源于知識庫系統(tǒng)和產(chǎn)品設計平臺系統(tǒng)。知識庫系統(tǒng)GBOM模式為：GBOM（id，name，imageaddr，num， introduce，prientid）包含節(jié)點編碼、名稱、圖片、數(shù)量、簡介和父節(jié)點編碼6個屬性，其中非主屬性和非參照屬性有{name，image，num，introduce}；產(chǎn)品設計平臺系統(tǒng)GBOM模式為GBOM（code， name），非主屬性和非參照屬性有{name}。將數(shù)據(jù)輸入算法1，得到GBOM屬性更新表的SQL語句如圖10所示。在數(shù)據(jù)庫管理系統(tǒng)中執(zhí)行該SQL語句，得到如圖11所示的更新后的GBOM。

3）基于BOM的全生命周期數(shù)據(jù)索引

在完成數(shù)據(jù)模式融合后，按照第3節(jié)的方案配置Kettle數(shù)據(jù)采集任務（定時執(zhí)行），將多源異構(gòu)數(shù)據(jù)集成到統(tǒng)一的數(shù)據(jù)倉庫。通過數(shù)據(jù)中臺的可視化界面可查看全生命周期數(shù)據(jù)。

5結(jié)語

復雜裝備全生命周期各個階段產(chǎn)生的數(shù)據(jù)無法統(tǒng)一表達，會造成信息孤島問題，導致資源浪費和數(shù)據(jù)共享效率低下。為有效解決這些問題，本文提出了復雜裝備全生命周期多源異構(gòu)數(shù)據(jù)融合框架。該模式的主要貢獻在于數(shù)據(jù)關聯(lián)映射和數(shù)據(jù)融合兩個方面，研究了面向復雜裝備的全生命周期多源異構(gòu)數(shù)據(jù)關聯(lián)映射方法和數(shù)據(jù)特征統(tǒng)一建模及數(shù)據(jù)轉(zhuǎn)換方法。

參考文獻：

［1］ TAO F，CHENG J F，QI Q L，et al. Digital twin-driven product design，manufacturing and service with big data［J］. The International Journal of Advanced Manufacturing Technology，2018，94（9）：3563-3576.

［2］ CHEN L L，ZHANG Y Y，WANG Z P. Logistics service supply chain model applying artificial intelligence and big data analysis［J］. Security and Communication Networks，2022，2022：1575813.

［3］ ZHANG L. Design of a sports culture data fusion system based on a data mining algorithm［J］. Personal and Ubiquitous Computing，2020，24（1）：75-86.

［4］ DING W X，JING X Y，YAN Z，et al. A survey on data fusion in Internet of Things：towards secure and privacy-preserving fusion［J］. Information Fusion，2019，51（C）：129-144.

［5］ ALAM F，MEHMOOD R，KATIB I，et al. Data fusion and IoT for smart ubiquitous environments：asurvey［J］. IEEE Access，2017，5：9533-9554.

［6］ MENG T，JING X Y，YAN Z，et al. A survey on machine learning for data fusion［J］. Information Fusion，2020，57（c）：115-129.

［7］ CHEN H P，HU N Q，CHENG Z，et al. A deep convolutional neural network based fusion method of two-directionvibrationsignal data for health state identification of planetarygearboxes［J］. Measurement，2019，146：268-278.

［8］ WU J，HU K，CHENG Y W，et al. Data-driven remaining useful life prediction via multiple sensor signals and deep longshort-term memory neural network［J］. ISA Transactions，2020，97：241-250.

［9］ 何逸茹，劉晨，楊中國. 面向多源傳感器時間序列的時序依賴關聯(lián)挖掘方法［J］. 小型微型計算機系統(tǒng)，2021.42（11）：2307-2311.

［10］ NIANG C，MARKHOFF B B，SAM Y，et al. A semi-automatic approach for global-schema construction in data integration systems［J］. International Journal of Adaptive，Resilient and Autonomic Systems，2013，4（2）：35-53.

［11］ 張春，袁天寧. 針對動車組全生命周期集成管理的多源異構(gòu)數(shù)據(jù)融合框架設計［J］. 計算機與現(xiàn)代化，2017（10）：36-41.

［12］ YU Y，SUN L F，WANG S H. Multiparty dynamic data integration scheme of industrial chain collaboration platform in mobile computing environment［J］. Wireless Communications and Mobile Computing，2022，2022：1550668.

［13］ KALAYC T E，BRICELJ B，LAH M，et al. A knowledge graph-based data integration framework applied to battery data management［J］. Sustainability，2021，13（3）：1583.

收稿日期：20230420

基金項目：國家重點研發(fā)計劃項目（2020YFB1708000）；四川省重大科技專項 （2022ZDZX0003）

第一作者簡介：曾文驅(qū) （1980—），男，廣東陽春人，博士研究生，研究方向為智能制造、數(shù)據(jù)孿生，2464882541@qq.com。

DOI：10.19344/j.cnki.issn1671-5276.2024.06.021